Ontwikkeling van een controle-bewust digital twin-framework voor real-time monitoring en optimalisatie van olie- en gasproductiesystemen

Samenvatting

Deze studie presenteert een controle-bewust digital twin-framework voor het monitoren en optimaliseren van olie- en gassystemen met behulp van machine learning en natuurkundig geïnformeerde modellen, geëvalueerd op gesimuleerde en benchmark-datasets.

Samenvatting

In dit artikel wordt een controle-bewust digital twin-framework voorgesteld voor het volgen en verbeteren van olie- en gasproductiesystemen. De methode combineert spatiotemporele graph neural networks, neurale 4D-Var data-assimilatie, reinforcement learning-gebaseerde controle en physics-informed neural operators (FNO en Neural operator model). Benchmark-datasets van cyber-fysische systemen (SWaT en WADI) en een gesimuleerde olie- en gasdataset worden gebruikt om het framework te beoordelen. De resultaten, die zijn bevestigd door meerdere onafhankelijke runs met behulp van gemiddelde maten, tonen een verbeterde prestatie in toestandschatting, anomaliedetectie en controle-optimalisatie. De beoordeling is echter beperkt tot benchmark- en gesimuleerde datasets; aanvullende validatie met werkelijke industriële gegevens is nodig om de praktische toepasbaarheid te verifiëren.

Inleiding

De behoefte aan veilige en effectieve transportnetwerken voor olie en gas is toegenomen als gevolg van de groeiende wereldwijde energievraag. Echter wordt het handhaven van de betrouwbaarheid van pijpleidingen ernstig belemmerd door verslechterende infrastructuur en toenemende systeemcomplexiteit. In dit verband heeft digital twin (DT)-technologie interesse gewekt als een datagestuurde strategie voor levenscyclusbeheer die risicobeoordeling, voorspellend onderhoud en systeemoptimalisatie in industriële omgevingen mogelijk maakt^1,2,3,4,5. De digitale transformatie in industriële systemen, van reactief onderhoud naar intelligente, datagestuurde besluitvorming, heeft de anomaliedetectie, faalvoorspelling en systeembetrouwbaarheid verbeterd^6,7,8. DT-toepassingen in procesoptimalisatie, voorspellend onderhoud en smart manufacturing zijn het onderwerp geweest van talrijke onderzoeken. Zo zijn er DT-gebaseerde modellen voorgesteld voor voorspellende faalanalyse¹⁰ en evaluatie van groene prestaties¹¹, alsook productieoptimalisatie op basis van deep learning. DT's zijn in de olie- en gasindustrie gebruikt om monitoring en anomalie-identificatie te verbeteren door middel van systeemmodellering, prestatiebeoordeling en integratie van multisensorgegevens^12,13,14,15.

Ondanks deze ontwikkelingen concentreren de meeste huidige DT-technieken zich op discrete kenmerken zoals monitoring, modellering of anomaliedetectie, met weinig integratie van real-time synchronisatie en controle. Veel systemen missen bidirectionele interactie en adaptieve leervermogens, waardoor ze functioneren als digitale schaduwen met een unidirectionele datastroom. In olie- en gassystemen, waar dynamische omstandigheden en complexe foutpatronen voortdurend leren en controle vereisen, is deze beperking bijzonder relevant. Bovendien wordt real-time closed-loop controle in complexe industriële processen niet ondersteund door huidige cyber-fysieke systeemtechnieken, die grotendeels beperkt zijn tot offline analyse¹⁶. Daarnaast vertrouwen huidige benaderingen voor het beschrijven van interacties tussen gedistribueerde sensoren hoofdzakelijk op traditionele machine learning- en filteringtechnieken, met weinig gebruik van geavanceerde modellen zoals spatio-temporele graph neural networks. Verder is er een gebrek aan onderzoek naar het gebruik van operator learning-technieken om niet-lineaire fysische dynamiek vast te leggen, vooral in olie- en gasproductiesystemen¹⁷. Hierdoor zijn bestaande DT-systemen niet in staat om real-time data-assimilatie en adaptieve controle te integreren terwijl ze complexe spatio-temporele verbindingen modelleren.

Omdat ze industriële besturingsinstellingen nabootsen, worden benchmarkdatasets zoals SWaT en WADI frequent gebruikt om DT-gebaseerde technieken in cyber-fysische systemen te valideren¹⁸. Daarnaast bieden DT's meer algemene voordelen, zoals een verhoogde productiviteit, een betere kennisuitwisseling en veilige gegevensoverdracht gedurende industriële processen^19,20. Vooral in risicovolle industrieën zoals olie en gas^21,22,23 wordt hun potentieel in veiligheidsmanagement, real-time monitoring en industriële automatisering steeds breder erkend. Desondanks zijn voor praktische implementatie nog completere en geïntegreerde oplossingen nodig die modellerings-, monitoring- en besturingsmogelijkheden combineren. Door de toepassingen en voordelen van DT's aan te tonen bij het verbeteren van de operationele efficiëntie en de wijze van besluitvorming, hebben evaluatiestudies zoals die geciteerd in^24,25 de basis gelegd. Tabel 1 toont de vergelijking van bestaande methoden met betrekking tot olie- en gasproductie en besturingsmanagement^26,27,28,29. Vanwege de hoge operationele risico's en de complexe dynamiek van olie- en gasproductiesystemen schieten traditionele onderhoudsmethoden vaak tekort voor een tijdige anomalie-identificatie en reactie^30,31,32,33. Hoewel veiligheidsmanagement en monitoring op afstand recentelijk zijn verbeterd, zijn intelligente systemen die continu in real-time kunnen waarnemen, leren en besturen nog steeds vereist.

Dit artikel stelt een controle-bewuste digital twin-architectuur voor die ruimtetijd-graafneurale netwerken, neurale 4D-Var data-assimilatie, natuurkundig geïnformeerde neurale operatoren en reinforcement learning-gebaseerde controle combineert om deze moeilijkheden te overwinnen. Het voorgestelde systeem vestigt een enkele pijplijn voor gegevensverzameling, toestandschatting, anomaliedetectie en controle-optimalisatie. Terwijl ruimtetijd-graafneurale netwerken interacties tussen verspreide sensoren registreren, worden natuurkundig geïnformeerde neurale operatoren, zoals de Fourier Neural Operator en het Deep Operator Network (Neuraal operator-model), gebruikt om complexe niet-lineaire systeemdynamiek weer te geven. Reinforcement learning maakt adaptieve gesloten-luscontrole mogelijk, terwijl neurale data-assimilatie de nauwkeurigheid van de toestandschatting verbetert. De generaliseerbaarheid van de voorgestelde methode over industriële omgevingen wordt aangetoond door deze te evalueren met benchmark-datasets van cyber-fysische systemen (SWaT en WADI) en gesimuleerde olie- en gasgegevens. Dit werk overwint belangrijke tekortkomingen van huidige DT-systemen en biedt een schaalbare en aanpasbare oplossing voor real-time monitoring en optimalisatie in olie- en gasproductiesystemen door modellering, leren en controle te combineren in een uniform raamwerk.

Protocol

Deze studie omvat geen menselijke deelnemers of dierproeven. De gebruikte datasets (SWaT en WADI) zijn publiek toegankelijke benchmark-datasets, en er is geen sprake van gevoelige of persoonlijke gegevens.

De voorgestelde aanpak realiseert een controlebewuste digitale tweeling waarmee de integratie van geavanceerde deep learning-algoritmen, data-assimilatie en continue evaluatie en optimalisatie van de olie- en gasextractiesystemen en -besturing mogelijk wordt gemaakt. Ten eerste worden real-time multi-modale sensorgegevens van geografisch verspreide productie-infrastructuur verzameld en gemodelleerd met behulp van een graafstructuur die de connectiviteit en interacties tussen productiecomponenten definieert. Vervolgens worden physics-informed neural operators ingezet voor de constructie van benaderingen op operatorniveau van de bepalende vergelijkingen voor niet-lineaire meerfasestroming, wat schaalbare simulaties binnen de digitale tweeling faciliteert. In dit onderzoek is de term ‘Neural operator model’ gebruikt om te verwijzen naar het Deep Operator Network. Om ruimtelijke en temporele afhankelijkheden tussen geografisch verspreide productieactiva te integreren, worden spatio-temporele graafneurale netwerken getraind binnen de physics-informed representaties. Een differentieerbare data-assimilatiebenadering op basis van neurale 4DVAR wordt toegepast om de simulatievoorspellingen van de digitale tweeling consistent en gesynchroniseerd te houden met real-time monitoringsgegevens, zelfs bij ruisgevoelige en ruimtelijk onregelmatige metingen. Bovenop de real-time gesynchroniseerde digitale tweeling wordt een door reinforcement learning aangestuurde optimalisatietool getraind voor real-time besturing. Ten slotte blijft de digitale tweeling uitgerust voor het continu bijwerken van modellen en aangepaste schaalbaarheid over een langere periode, gebaseerd op continue updates vanuit nieuwe beschikbare metingen.

De voorgestelde digitale tweeling-architectuur verbetert de conventionele digitale tweeling-architectuur door deze aan te vullen met intelligentie, adaptiviteit en controlebewustzijn. De volledige pijplijn bestaat uit vier modules: (i) data-acquisitie/graafconstructie, (ii) toestandschatting middels neurale operatoren en ST-GNN, (iii) anomaliedetectie middels residu-gebaseerde analyse, en (iv) controle op basis van reinforcement learning.

Figuur 1: Algemene control-aware digital-twin architectuur. Anomaliedetectie, spatiotemporele graph neurale netwerken, neurale 4D-Var synchronisatie, physics-informed neurale operatoren en op reinforcement learning gebaseerde closed-loop controle voor olie- en gasproductiesystemen zijn allemaal geïntegreerd in het voorgestelde control-aware digital twin model. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 1 stelt het functionele proces voor van een controle-bewuste digitale tweeling voor olie- en gasproductie als een gesloten-lus cyber-fysiek systeem. Het functionele proces begint op het niveau van het olie- en gasproductiesysteem, waarbij verschillende sensoren die verspreid zijn over putten, pijpleidingen, kleppen en verwerkingseenheden op een specifiek tijdstip gegevens vastleggen over druk, debiet, temperatuur en besturingen. De diverse sensoren leggen gegevens vast in verschillende formaten, en deze gegevens worden naar de digitale tweeling gestuurd, wat de basis vormt voor de organisatiebewustheid op dat moment.

De voorgestelde methodologie omvat de volgende stappen:

Gegevensverzameling

Real-time informatie van sensoren met betrekking tot druk, debiet, temperatuur en regelingingangen wordt verzameld uit olie- en gasproductieomgevingen. Andere beschikbare benchmark-datasets, zoals SWAT en WADI, worden gebruikt voor de robuustheid en generalisatievermogens. Om reproduceerbaarheid te waarborgen, wordt elke stap van de voorgestelde methodologie gespecificeerd met technische details.

[Raadpleeg Aanvullend Bestand (S1) voor de generatie van de dataset en de simulatie.]

Twee openbare benchmarkdatasets voor industriële controlesystemen uit het onderzoeksdomein voor industriële controlesystemen worden gebruikt om de capaciteit van de conceptuele digitale tweeling aan te tonen met betrekking tot complexe en hoogdimensionale tijdreeksgegevens, evenals ongebruikelijke gebeurtenissen: de Secure Water Treatment (SWaT) en de Water Distribution (WADI) benchmarkdatasets³⁴. Beide datasets zijn afgeleid van realistische cyber-fysieke testopstellingen en bevatten multivariate sensor- en actuatorbedieningsgegevens voor zowel normale als anomale/aanvalsscenario's die op dergelijke systemen zijn geactiveerd. Door gebruik te maken van de SWaT- en WADI-datasets is het mogelijk om cross-domeintesting uit te voeren en de generaliseerbaarheid aan te tonen voorbij cyber-fysieke testopstellingen naar bredere gedistribueerde industriële systemen met locatie- en tijdsgebonden afhankelijkheden. De beschrijving van de dataset wordt weergegeven in Tabel 2.

Het voorgestelde onderzoek maakt gebruik van drie verschillende datasets voor de uitgebreide evaluatie van de ontwikkelde digital twin-methodologie, zoals weergegeven in Tabel 2. De basisdataset bestaat uit gesimuleerde gegevens met betrekking tot de productieorganisatie in de olie- en gasindustrie en is bedoeld om zowel echte operationele metingen die door het systeem zijn waargenomen als regel- en/of foutcondities te reproduceren. Daarnaast wordt de Secure Water Treatment (SWaT)-dataset geïntroduceerd als voorbeeld van een fysiek systeem op gereduceerde schaal, bestaande uit metingen van 51 sensoren en actuatoren over een periode van ongeveer 11 dagen, inclusief zowel normale als kunstmatig gecreëerde anomalieën en aanvallen. Deze dataset wordt algemeen beschouwd als de standaardbenchmark voor onderzoek. Een andere set is de Water Distribution (WADI)-dataset, waarvan de metingen het gedrag vastleggen van het waterdistributiesysteem op gereduceerde schaal, bestaande uit ongeveer 123 variabelen over een periode van 16 dagen, inclusief verschillende aanvallen en normale bedrijfsomstandigheden. De dataset bevat in totaal 15 verschillende aanvallen. De twee bovengenoemde datasets concentreren zich voornamelijk op hoogdimensionale tijdreeksen en ruimtelijke relaties, zoals gebruikelijk bij industriële controlesystemen.

Preprocessing van gegevens

Vóór de training van het model ondergaan alle datasets een grondige voorbehandelingsprocedure om de datakwaliteit, consistentie en reproduceerbaarheid te garanderen. De voorbewerkingsstappen omvatten onder meer het beheer van ontbrekende waarden, ruisfiltering, normalisatie en feature scaling. De gedetailleerde voorbewerkingspipeline wordt beschreven in Aanvullend Bestand (S2).

Constructie van de systeemgrafiek

In de voorgestelde methodologie wordt het fysieke productiesysteem voor olie en gas weergegeven in de vorm van een graaf, die dient als wiskundige structuur voor de beschrijving van ruimtelijke correlaties tussen activa, samen met de dynamiek van de systeemtoestand in de loop van de tijd (zie het Supplementary File (S3) voor de formuleringen voor de constructie van de systeemgraaf).

Fysica leren met behulp van neurale operatoren

Voor een correcte weergave van de niet-lineaire en multidimensionale kenmerken van meerfasenstroomsystemen maakt de voorgestelde aanpak gebruik van natuurkundig geïnformeerde operatoren in de vorm van Fourier Neural Operators (FNO) en een Neural operator-model. In tegenstelling tot de traditionele methode waarbij neurale netwerken worden weergegeven als puntgewijze afbeeldingen, maakt het concept van operatoren generalisatie mogelijk met betrekking tot verschillende randvoorwaarden. Deze eigenschap maakt deze methode geschikter voor meerfasenstroomsystemen die worden gebruikt bij de productie van olie en gas, aangezien de fysische fenomenen continu optreden. Raadpleeg Aanvullend bestand (S4) voor de wiskundige vergelijkingen van de neurale operatoren.

Om de validiteit van de physics-informed neural operators verder te evalueren, werden aanvullende experimenten uitgevoerd om hun vermogen te beoordelen om niet-lineaire operatorafbeeldingen te benaderen onder verschillende stromingstoestanden en regelingsinputs. De resultaten tonen aan dat de operators de afbeelding van de niet-lineaire operator nauwkeurig kunnen benaderen, waarmee het vermogen van de operators om de dynamica van het systeem nauwkeurig te modelleren wordt gevalideerd, vooral bij een hoge dimensionaliteit en tegen lagere computationele kosten dan andere solvers. De kwantitatieve evaluatie van de nauwkeurigheid van het operatorleren wordt uitgevoerd met behulp van de gemiddelde kwadratische fout tussen de voorspelde en gesimuleerde systeemtoestanden, wat een consistente benaderingsprestatie over verschillende stromingscondities aantoont.

Figuur 2: Workflow van het physics-informed neural operator-framework. Een voorbeeld van de physics-informed neural operator-workflow demonstreert hoe regelinputs, sensorgegevens en randvoorwaarden worden gebruikt om niet-lineaire meerfasestromingsdynamica aan te leren en snelle systeemvoorspellingen op operatorniveau te genereren. Klik hier om een grotere versie van deze figuur te bekijken.

In het PINO-werkproces dat wordt gepresenteerd in Figuur 2, vindt het leerproces van fysiek complexe niet-lineaire multifasestromingen in olie- en gasprocessen op een continue manier plaats. Dit begint bij de invoerlaag, waar het model heterogene gegevens ontvangt over het fysiek evoluerende systeem. Deze invoer is in de vorm van randvoorwaarden, variërend van druk, temperatuur en snelheid, evenals realtime gegevens van sensoren die in het olie- en gassysteem zijn geplaatst, en regelvariabelen zoals de opening van kleppen, de snelheid van pompen of de opening van chokes. Al deze inputs definiëren de werking van het fysiek evoluerende systeem.

Het belangrijkste onderdeel binnen de workflow is de PINO, gerealiseerd via FNO en een Neural operator-model. De voorgestelde methode is verschillend en onderscheidend in die zin dat deze neurale operatoren gebruikt om operatoren tussen functieruimtes te leren, in tegenstelling tot traditionele neurale netwerken, die zich doorgaans richten op puntgewijze mapping tussen inputs en outputs. Op dit niveau is FNO in staat om globale ruimtelijke relaties vast te leggen met behulp van het Fourier-domein, en is het Neural operator-model in staat om operatorrepresentaties te leren met behulp van zowel branch- als trunk-netwerken. Het geleerde model wordt gestuurd door fysische beperkingen om te garanderen dat de voorspelde dynamiek zich gedraagt zoals verwacht in de multifasestroom. Het resultaat van de neurale operator is de continue veldoplossing van de belangrijke fysische variabelen, zoals druk, debieten en fasedistributie voor het gehele productienetwerk. Bovendien zijn de outputwaarden nauwkeurig voor het gehele veld, inclusief de putten, pijpleidingen en andere verbonden eenheden, in plaats van dat ze op specifieke punten zoals sensoren worden gemeten. Op deze manier biedt de output van de neurale operator de mogelijkheid om snel zeer nauwkeurige simulaties te genereren die de oplossing van partiële differentiaalvergelijkingen kunnen benaderen zonder deze noodzakelijkerwijs op te lossen. Deze oplossing fungeert als de snelle oplossing in de digitale tweeling.

Het leerproces van de neurale operator maakt gebruik van kenmerken op functieniveau en systeemniveau, welke extracties zijn van olie- en gasproductieprocessen. De kenmerken bestaan grotendeels uit de fysische toestandsvariabelen voor olie- en gasproductie, wat continue velden zijn: temperatuur, debiet, druk en fasefracties voor olie, gas en water. De kenmerken omvatten ook randvoorwaarden, waaronder inlaatdrukken, debieten en klepposities. Besturingsinputs, zoals posities van verstikkleppen en pompsnelheid, worden eveneens meegenomen om responsen onder verschillende operationele scenario's te voorspellen. Het neurale operator-model ontvangt de fysische kenmerken en besturingsparameters, die worden verwerkt door de trunk- en branch-netwerken. De kenmerken leveren voldoende informatie om de neurale operators in staat te stellen nauwkeurige operatorrelaties te voorspellen die afhankelijk zijn van zowel fysische processen als operationele factoren voor snelle digital twin-simulaties.

Fourier neurale operator (FNO)

In dit onderzoek wordt een Fourier Neural Operator (FNO)³⁶ gebruikt om effectief de operator-mappings te schatten die de niet-lineaire multifase-stroomdynamica van olie- en gasproductiesystemen beschrijven. In tegenstelling tot traditionele neurale netwerken, die input-output-mappings benaderen voor een specifieke set punten, benadert de voorgestelde FNO mappings tussen functieruimtes, waardoor generalisatie over verschillende schalen en configuraties van een systeem mogelijk wordt. In dit geval werkt de FNO door de systeemtoestandsrepresentaties van de oorspronkelijke ruimte naar het Fourier-domein te verplaatsen, waar spectrale convoluties effectief kunnen worden toegepast om de globale ruimtelijke afhankelijkheden binnen de systemen vast te leggen. Hierbij wordt de input-toestandsrepresentatie geprojecteerd in een hoger-dimensionale latente ruimte, waarna transformaties en activaties iteratief worden toegepast met behulp van Fourier-transformaties, spectrale kernels en activaties. Raadpleeg het Aanvullend Bestand (S4.1) voor de wiskundige evaluaties van de Fourier neural operator.

Neuraal operator-model

Het neurale operator-model³⁷ dient als een alternatieve benadering binnen het neurale operator-proces voor het benaderen van een niet-lineaire fysische operator die de dynamiek van olie- en gasproductie definieert. De gedetailleerde beschrijving van het neurale operator-model staat in Aanvullend bestand (S4.2) (Raadpleeg Aanvullend bestand S10 voor Algoritme 1: Physics Learning with Neural Operators for Digital Twin Algorithm).

De voorgestelde aanpak waarbij neurale operatoren worden gebruikt, begint daarom met het verzamelen van gepaarde voorbeelden van inputs en outputs, waarbij de inputs voorbeelden zijn van systeemcondities in de vorm van systeemgrenswaarden, controlevariabelen of fysieke kenmerken. De neurale operator wordt getraind in een iteratieve fase waarin responsen op een inputfunctie worden voorspeld, met een daaropvolgende verbetering van de afwijkingen tussen voorspellingen en werkelijke responsen met behulp van een mean squared error-functie. Deze aanpak leidt tot optimalisatie op basis van gradiënten, waarbij een neurale operator systemische fysica-operatoren ontdekt die het systeemgedrag definiëren. Het getrainde systeem kan zo efficiënt systeemresponsen op verschillende inputcondities voorspellen.

Spatio-temporele systeemmodellering

In de voorgestelde architectuur van de digitale tweeling³⁸ is het olie- en gasproductieproces weergegeven als een spatio-temporele graaf. Dit is gedaan om zowel de connectiviteit als het tijdsverloop van de gedistribueerde productiemiddelen te conceptualiseren.

Het olie- en gasproductieproces heeft inherent een gedistribueerde structuur wat betreft putten, pijpleidinginfrastructuur en sensoren. Om ruimtelijke/temporele relaties voor een dergelijk proces efficiënt vast te leggen, maakt de in dit artikel ontwikkelde digital twin-benadering gebruik van spatio-temporele graph neural networks (ST-GNN). Bij deze benadering worden systeementiteiten weergegeven als graafknopen en worden ruimtelijke/functionele systeemrelaties aangeduid door graafranden. Temporele relaties worden uitgedrukt in termen van windowing-functies om systeemtoestandsovergangen en anomalieën efficiënt te voorspellen. Raadpleeg Aanvullend Bestand (S5) voor een gedetailleerde beschrijving van het Spatio-Temporal Graph Neural Network (ST-GNN).

Digital twin-synchronisatie met behulp van Neural 4D VAR

Synchronisatie van digitale tweelingen kan worden gedefinieerd als de continue synchronisatie van de virtuele tweeling met een voortdurend veranderende fysieke olie- en gasproductieomgeving op basis van real-time sensorwaarden. In de praktijk maken digitale tweelingen voorspellingen over toestanden in een systeem, zoals druk, debiet en temperatuur, gebaseerd op een begrip van de dynamiek van het fysieke systeem. Desondanks ontstaat er door onzekerheden en sensorruis onvermijdelijk een verschil tussen voorspellingen en metingen. Om die reden wordt in dit werk, om voorspellingen met feitelijke metingen te synchroniseren, een andere methode geïntroduceerd die bekend staat als 'data-assimilatie' om voorspellingen consistent te maken met fysieke metingen. Om synchronisatie van het fysieke proces en de digitale tweeling te waarborgen tijdens ruisgevoelige en schaarse sensorwaarnemingen, is een neurale 4D-Var data-assimilatiemethode geïntegreerd. De toegevoegde component is erop gericht de kloof tussen sensormetingen en modelvoorspellingen binnen een assimilatievenster te verkleinen. Door gebruik te maken van differentieerbaarheid biedt de neurale 4D-Var methode end-to-end learning en maakt het mogelijk om de toestand van de digitale tweeling online te corrigeren (Raadpleeg Supplementary File (S6) voor Neurale 4D-Var Data-assimilatie, Supplementary File (S10) voor Algoritme 2: Synchronisatie van Digitale Tweelingen middels Neurale 4D-Var en raadpleeg Supplementary File (S11) voor hyperparameters en trainingsdetails).

Detectie en diagnose van anomalieën

In de gesimuleerde olie- en gasdataset werden anomalieën geïnduceerd door gecontroleerde perturbaties te introduceren, zoals drukval over 15%, abnormale flowpieken en klefdefecten. Datapunten die een ingestelde drempelwaarde overschreden of afweken van een statistische basisverdeling worden geïdentificeerd als anomalieën. Voor de wiskundige formulering van het Anomaly Detection Framework (zie Aanvullend bestand, S7).

Closed-loop optimalisatie en controle

In het voorgestelde systeem kan gesloten-lusregeling worden gerealiseerd door de harmonieuze DT en de module voor reinforcement learning voor optimalisatie te integreren. In het gedeelte van de digitale tweelingen voorspelt de digitale tweeling het toekomstige gedrag van het olie- en gasproductieproces onder verschillende omstandigheden, zoals de positionering van verschillende kleppen, pompsnelheden of debietregeling. Dit maakt de ontwikkeling van een veiligheidsgebied mogelijk waarin de regelagent het resultaat van gewenste acties kan evalueren zonder dat deze in het werkelijke proces worden gerealiseerd. Door gebruik te maken van de voorspellingen van de digitale tweeling kan de module voor reinforcement learning dus operationele doelen optimaliseren, waaronder de efficiëntie van het proces, het energieverbruik en de processtabiliteit, zonder beperkt te worden door procesbeperkingen. Raadpleeg Aanvullend Bestand (S8) voor de wiskundige beschrijving van de gesloten-lusoptimalisatie en -regeling.

Continu leren en aanpassen

Industriële systemen hebben te maken met niet-stationaire omgevingen met verouderende apparatuur, tijdsvariërende bedrijfsomstandigheden en onvoorziene verstoringen. Om hiervoor een aanpak te ontwerpen, bevat het voorgestelde digital twin-model een continu lerend component dat neurale operatoren, grafmodellen en beleidsregels upgrade op basis van incrementeel leren. Na het waarnemen van grote variaties en niet-geïdentificeerde patronen wordt het leerproces gefaciliteerd door nieuwe gegevens te incorporeren en parameters geassocieerd met het digital twin-model aan te passen.

Continu leren verbetert ook de robuustheid van zowel de regelingsstrategieën als de detectie van anomalieën, aangezien het het systeem helpt om nieuwe of onbekende gedragspatronen te identificeren. Feedback van anomalieën in de regelingsresultaten wordt toegepast om modellen aan te passen en een reinforcement learning-strategie te optimaliseren, wat effectieve besluitvormingsprocessen waarborgt terwijl het systeem blijft veranderen en evolueren. Dit adaptieve leerproces transformeert een digitale tweeling van een passieve waarnemer naar een intelligent systeem dat real-time optimalisatieprocessen van complexe olie- en gasproductiesystemen over een langere periode kan ondersteunen, gebruikmakend van een rigoureuze en effectieve technologische infrastructuromgeving. In Tabel 3 worden de modelarchitectuur en de hyperparameters weergegeven.

Raadpleeg Aanvullend Bestand (S9) voor de wiskundige formulering van de Continuous Learning Adaptation.

De module voor datapreprocessing is verantwoordelijk voor het transformeren van ruwe sensorgegevens naar gestructureerde en genormaliseerde inputs die geschikt zijn voor de daaropvolgende leermodules. Specifiek aggregeert deze module historische sensormetingen, verwijdert ruis en standaardiseert kenmerken om een consistente datakwaliteit te waarborgen. De verwerkte gegevens worden, samen met randvoorwaarden en regelinputs, vervolgens aangeboden als input aan de physics-informed neural operator module (FNO/Neural operator model), die de onderliggende niet-lineaire fysische relaties leert en een continue schatting van de systeemtoestand genereert. Deze geschatte systeemtoestand wordt vervolgens door de module voor regeloptimalisatie gebruikt om regelstrategieën op een dynamische manier bij te werken. De geoptimaliseerde regeloutputs worden vervolgens doorgegeven aan de besluitvormingsmodule, die de resultaten interpreteert en actiegerichte beslissingen genereert voor de systeemwerking. Er is een feedbackmechanisme geïntegreerd om het systeem continu bij te werken op basis van nieuw geobserveerde gegevens, waardoor de aanpassingscapaciteit en prestaties in de loop van de tijd worden verbeterd. Om de duidelijkheid en reproduceerbaarheid te vergroten, wordt een architectuur op systeemniveau gepresenteerd om de interactie tussen de modules te illustreren. Het voorgestelde systeem bestaat uit vier hoofdcomponenten, namelijk datapreprocessing, physics-informed neural operator modellering, regeloptimalisatie en besluitvorming. Deze modules zijn met elkaar verbonden via goed gedefinieerde input-outputinterfaces, wat zorgt voor een naadloze datastroom, iteratief leren en gecoördineerde werking over het gehele digital twin-systeem.

Figuur 3: Stroomschema van de architectuur voor optimalisatie van de besturing op systeemniveau. Het toont de algehele systeemarchitectuur van het voorgestelde werk. Klik hier om een grotere versie van deze figuur te bekijken.

De systeemarchitectuur geeft een volledig beeld van het model dat kan worden gebruikt voor het modelleren en optimaliseren van complexe niet-lineaire fysieke dynamiek in olie- en gasproductiesystemen. Dit begint bij de inputgegevens, die de parameters voor de simulatie en de randvoorwaarden die de fysieke omgeving representeren, omvatten. Deze gegevens passeren eerst de module voor data-preprocessing, waar normalisatie en feature-extractie worden uitgevoerd. Dit bereidt de gegevens voor op de volgende module, waarin de neurale operator, FNO, en het neurale operator-model worden gebruikt. Deze modellen worden aangewend om de systeemtoestanden te voorspellen, en deze informatie wordt gebruikt om de systeemparameters te optimaliseren middels de optimalisatiemodule. De geoptimaliseerde resultaten worden vervolgens gebruikt om beslissingen te nemen via de besluitvormingsmodule. Deze module helpt bij het bepalen van de efficiëntie van het systeem. Het raamwerk omvat ook de outputresultaten, waarbij de resultaten van het optimalisatieproces worden getoond in Figuur 3. Daarnaast is er een feedbackloop opgenomen, waarbij de gegevens na de outputresultaten opnieuw via de preprocessingmodule lopen.

Resultaten

Om de validiteit van de physics-informed neural operators te testen, werden aanvullende prestatietests uitgevoerd om de prestaties van FNO en het Neural operator-model te vergelijken bij het modelleren van de dynamiek van het niet-lineaire meerfasenstromingssysteem. De resultaten toonden aan dat FNO beter presteert wat betreft globale ruimtelijke consistentie, terwijl het Neural operator-model beter presteert in de aanpasbaarheid aan heterogene inputs.

Om effectieve training en evaluatie van het voorgestelde digital twin-framework te garanderen, werden alle experimenten uitgevoerd in een high-performance computing-omgeving. Python werd gebruikt als de belangrijkste programmeertaal voor de implementatie. Een populair deep learning-framework met GPU-acceleratie via CUDA en een geoptimaliseerde deep neural network-bibliotheek werden gebruikt om deep learning-modellen te creëren, zoals physics-informed neural operators, spatiotemporele graph neural networks en reinforcement learning-modules. Om grootschalige verwerking van multivariate tijdreeksgegevens en modeltraining te faciliteren, werden de tests uitgevoerd op een workstation met een multi-core CPU, een high-performance graphics processing unit (GPU) met dedicated geheugen en ten minste 64 GB systeemgeheugen. Om compatibiliteit met het deep learning-ecosysteem te waarborgen, was de besturingsomgeving gebaseerd op een Linux-distributie.

Voor het trainen van de modellen werd gebruikgemaakt van mini-batch gradient-gebaseerde optimalisatie, waarbij talrijke onafhankelijke runs van de experimenten werden uitgevoerd om de statistische betrouwbaarheid te waarborgen. Dankzij de verstrekte computationele opzet kan de voorgestelde methodologie worden gereproduceerd in vergelijkbare high-performance computing-omgevingen.

Om de resultaten te valideren door middel van herhaalde proeven, werden alle experimenten herhaald met meerdere onafhankelijke runs met verschillende willekeurige initialisatiewaarden. In het geval van experimenten met gesimuleerde gegevens is het model uitgevoerd voor (N) onafhankelijke proeven, en worden de waarden gerapporteerd als gemiddelde prestatie en standaarddeviatie. In het geval van de experimenten met de benchmarkgegevens, SWAT en WADI, zijn de evaluatiemetrieken MAE, RMSE, F1 Score en AUROC berekend op de testgegevens en gemiddeld over de herhaalde experimenten om de resultaten statistisch robuust te maken. Dit is gedaan om een betrouwbare schatting van de prestaties van het model te verkrijgen en om er zeker van te zijn dat de prestatieverbeteringen niet te wijten zijn aan één enkel experiment.

Desalniettemin hebben de resultaten bevestigd dat het integreren van physics-informed learning, spatiotemporele modellering en data-assimilatietechnieken in een geïntegreerd digital twin-systeem consistent leidt tot verbeterde monitoringsprestaties onder de geëvalueerde omstandigheden, een snellere convergentie en optimale beslissingen in realtime in vergelijking met conventionele methoden. Tabel 4 toont de simulatieomgeving van het voorgestelde werk.

De simulatieomgeving is gemodelleerd om een getrouwe weergave te vormen van realtime operaties binnen de industrie. Gegevens van sensoren worden met korte tussenpozen verzameld om de stream-dataomgeving te representeren, en er wordt een gecontroleerde hoeveelheid ruis toegevoegd om de robuustheid te testen. Diverse fout- en storingsscenario's worden gesimuleerd om de mogelijkheden voor anomaliedetectie en aansturing te testen. Er wordt gebruikgemaakt van een sliding window-benadering voor evaluatie om de realtime werking op een continue wijze weer te geven, geschikt voor dynamische updates door de voorgestelde digitale tweeling voor voorspellingen en toestandsynchronisaties en voor het genereren van regelacties.

Bij het ontwerp van het control-aware digital twin-model moeten verschillende evaluatiecriteria worden overwogen voor een gelijktijdige beoordeling. Ten eerste worden voor de monitorings- en toestandsvoorspellingscapaciteit van de digital twin-architectuur regressiecriteria gebruikt, zoals de Mean Absolute Error (MAE), Root Mean Squared Error (RMSE) en Mean Absolute Percentage Error (MAPE). MAE en MAPE berekenen de nauwkeurigheid van neurale operatoren en spatio-temporele graafmodellen voor cruciale systeemparameters zoals druk, stroomsnelheid en temperatuur, en zijn geldig voor de continue multivariate gegevens van sensoren die worden gebruikt in het olie- en gasproductieproces.

Ten tweede wordt het synchronisatieproces van de digitale tweeling zelf beoordeeld, met betrekking tot de fout in de toestandschatting en het verwijderen van de predictiedrift. De fout in de toestandschatting meet de mate van afwijking tussen de werkelijke toestand van het schema en de gesynchroniseerde toestand van de digitale tweeling, wat een indicator is voor hoe effectief de ontwikkelde neurale 4D-Var-module de observaties van de werkelijke systeemtoestand gebruikt om de voorspellingen van de systeemdynamica te verbeteren. Tot slot geeft de reductie van de predictiedrift de prestatiewinst van de voorgestelde methode aan ten opzichte van het niet-gesynchroniseerde digitale tweeling-systeem, dankzij het vermogen van de methode om ruisrijke of schaarse systeemobservaties te weerstaan.

Ten derde worden voor het detecteren van anomalieën en foutdiagnose classificatiegeoriënteerde evaluatieparameters zoals Precision, Recall, F1 en Area Under the ROC Curve (AUC) gebruikt. Waar recall verwijst naar het vermogen om werkelijke fouten nauwkeurig te diagnosticeren zonder er enige over het hoofd te zien, kan precision worden beschouwd als een maatstaf voor de validiteit van een herkende abnormaliteit. De prestaties kunnen adequaat worden gemeten met behulp van een F1-metriek. Deze evaluatieparameters worden over het algemeen toegepast in een SWAT- en WADI-systeem.

Tabel 5 wordt gebruikt om de effectiviteit van de voorgestelde neurale 4D-Var synchronisatiemodule te beoordelen voor de vermindering van de predictiedrift tussen de fysieke en cybermodellen voor drie datasets. De initiële toestandsfout komt overeen met de fout tussen de modellen zonder synchronisatie, en de uiteindelijke toestandsfout komt overeen met de modeluitval na het toepassen van de synchronisatie. Er is een significante verbetering in de toestandsfout zichtbaar voor alle drie de datasets, waarbij de hoogste verbetering (72,2%) optreedt voor het gesimuleerde olie- en gassysteemmodel vanwege de relatieve eenvoud in vergelijking met SWAT (63,6%) en WADI (57,7%). Deze waarden zijn consistent met hun respectievelijke complexiteitsniveaus en "ruis"-niveaus. De verhoogde snelheid van driftreductie voor de gesimuleerde olie- en gasdataset kan worden verklaard door het feit dat de gesimuleerde omgeving over het algemeen een lager ruisniveau, minder willekeurige perturbaties en een goed gedefinieerd systeemgedrag vertoont in vergelijking met andere realistische cyber-fysieke systemen zoals SWAT en WADI. Deze argumentatie moet echter worden beschouwd als een hypothese en is niet kwantitatief bewezen op basis van de resultaten van dit werk. In toekomstig onderzoek kunnen complexiteitsmaten zoals entropie, ruisvariantie en systeemdimensionaliteit worden gebruikt om dit argument te valideren.

Figuur 4: Monitoringprestaties over verschillende datasets (Simulated Oil and Gas, SWAT en WADI) geëvalueerd met behulp van de foutmetrieken MAE, RMSE en MAPE (%). De staven representeren de gemiddelde waarden verkregen uit meerdere onafhankelijke runs (n = 5). Foutenbalken geven de standaarddeviatie (SD) aan, terwijl dunnere overlappende foutenbalken de standaardfout van het gemiddelde (SEM = SD/√n) representeren. De SD- en SEM-waarden voor elke metriek worden expliciet in de legenda getoond. Statistische significantie is beoordeeld met onafhankelijke t-toetsen ten opzichte van de baseline-dataset (Simulated Oil and Gas), en de overeenkomstige p-waarden worden boven de staven weergegeven. Klik hier om een grotere versie van deze figuur te bekijken.

De prestatieanalyse van het monitoringsproces dat is uitgevoerd door het voorgestelde digital twin-model op datasets zoals Simulated Oil and Gas, SWAT en WADI, waarbij rekening is gehouden met de evaluatiecriteria MAE, RMSE en MAPE, is weergegeven in Figuur 4. De gesimuleerde Oil and Gas-dataset vertoont de laagste foutmeting voor alle criteria, wat duidelijk de nauwkeurigheid van de monitoring van de systeemtoestand aantoont in een gesimuleerde omgeving waarin de systeemparameters nauwkeurig zijn gemodelleerd. De SWAT- en WADI-datasets vertonen fouten in de systeemmonitoring die geleidelijk toenemen vanwege de complexiteit van echte systemen, samen met hun inherente ruis en nonlineariteiten, die niet voorkomen in gesimuleerde systemen. De geringe stijging in de foutmetingen van MAE en RMSE bevestigt echter de stabiliteit van de systeemprestaties van het digital twin-model onder dergelijke omstandigheden.

Figuur 5: Prestaties van anomaliedetectie over verschillende datasets (Simulated Oil and Gas, SWAT en WADI) geëvalueerd aan de hand van de F1-score en AUC. De staven vertegenwoordigen de gemiddelde waarden verkregen uit meerdere onafhankelijke runs (n = 5). De foutenbalken geven de SD aan, terwijl de dunnere overlappende foutenbalken de SEM = SD/√n vertegenwoordigen. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 5 toont de evaluatieanalyse van het voorgestelde systeem voor anomaliedetectie op basis van de F1-score en AUC voor de drie datasets. De Oil and Gas-dataset, wat de gesimuleerde dataset is, presteert het best aangezien deze de hoogste F1-score en AUC behaalt. Hoewel er een geleidelijke afname in prestaties is, wordt over de datasets heen een hoge AUC-prestatie bereikt, met lichte variaties afhankelijk van de complexiteit van de dataset. De uitlijning van zowel de F1-score- als de AUC-curves voor de drie datasets toont een optimaal snijpunt, wat wijst op een goede balans en het voorgestelde systeem tot een betrouwbaar systeem maakt voor vroege foutdetectie en intrusiedetectie. Het voorgestelde systeem presteert uitmuntend bij het herkennen van anomalieën voor de drie datasets.

De precisie, recall en F1-scores van het voorgestelde digital twin-model bij het detecteren van anomalieën in verschillende datasets worden in Tabel 6 hieronder weergegeven. Hoewel hoge precisiewaarden aantonen dat de meeste geïdentificeerde punten van belang inderdaad echte punten van belang zijn, tonen hoge recall-waarden aan dat de meeste werkelijke punten van belang correct worden geïdentificeerd zonder belangrijke punten over het hoofd te zien. De demonstratieomgeving in het olie- en gasdomein registreert de hoogste F1-score van 0,94, terwijl iets lagere resultaten bij SWAT en WADI kunnen worden toegeschreven aan hogere niveaus van ruis en onderlinge afhankelijkheden tussen sensoren en aanvalspatronen. Desalniettemin valideren de hoge F1-scores dat er een robuuste spatio-temporele graafmodellering en synchronisatie voor het detecteren van anomalieën is bereikt.

Figuur 6: Receiver Operating Characteristic (ROC)-curves voor anomaliedetectie in de Simulated Oil and Gas, SWAT en WADI-datasets. De prestaties worden geëvalueerd aan de hand van de Area Under the Curve (AUC). De standaarddeviatie (SD) en de standaardfout van het gemiddelde (SEM = SD/√n, n = 5) van de AUC-waarden zijn opgenomen in de legenda voor elke dataset. De diagonale stippellijn vertegenwoordigt de prestaties bij willekeurige classificatie. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 6 toont de Receiver Operating Characteristic (ROC)-curven, samen met de bijbehorende AUROC-waarden voor de drie verschillende datasets, waarmee de nauwkeurigheid van de anomaliedetectie onafhankelijk van de keuze van de drempelwaarde wordt beoordeeld. In de ROC voor de gesimuleerde Oil and Gas-dataset komt de regio opmerkelijk dicht bij de oorsprong, wat resulteert in een AUROC van 0,99, wat de vrijwel foutloze classificatiecapaciteit bevestigt. In het geval van de SWAT- en WADI-datasets liggen de AUROC-waarden respectievelijk op 0,97 en 0,95, wat wijst op een goede classificatiecapaciteit ondanks de aanwezigheid van hogere onzekerheden. Het feit dat de ROC-curven ver verwijderd zijn van de lijnen die willekeurige classificatie vertegenwoordigen, garandeert dat het ontwikkelde digital twin-model aanzienlijk beter presteert dan het kansniveau voor nauwkeurige anomaliedetectie. De Receiver Operating Characteristic (ROC)-curven in Figuur 6 tonen de prestaties van het voorgestelde digital twin-model bij anomaliedetectie op de drie datasets. De AUROC-scores zijn 0,99 voor de gesimuleerde Oil and Gas-dataset, 0,97 voor de SWAT-dataset en 0,95 voor de WADI-dataset, wat het onderscheidingsvermogen van het model aantoont in zowel gesimuleerde als benchmark industriële controlesystemen.

Tabel 7 geeft een beknopte beschrijving van de cumulatieve beloningen en schendingen van beperkingen voor de module voor reinforcement learning voor gesloten-lusregeling geïntegreerd met de digitale tweeling. De behaalde cumulatieve beloning vertegenwoordigt de algehele regelprestatie op basis van operationele doelen, terwijl de schendingen van beperkingen het totale aantal overtredingen tijdens de bedrijfsvoering vertegenwoordigen. De cumulatieve beloningen met nul schendingen van beperkingen zijn het hoogst (96,5) voor onze olie- en gasmodelomgeving, wat wijst op een optimale regeling en operationele prestatie.

Hoewel de SWaT- en WADI-datasets iets lagere cumulatieve beloningen en enkele schendingen van randvoorwaarden vertonen, bewijst de algemene verbetering in de besparing op operationele kosten dat het voorgestelde digital twin-framework effectief blijft voor een veilige en optimale aansturing in dynamische omgevingen.

De real-time haalbaarheid van het voorgestelde besturingssysteem op basis van reinforcement learning (RL) werd beoordeeld door de end-to-end inferentielatentie van alle computationele modules die in het voorgestelde systeem worden gebruikt te analyseren. De experimentele waarnemingen in Tabel 8 laten zien dat de neurale operator-module, het FNO/Neural operator-model en de spatio-temporele graph neural network (ST-GNN)-module een matige computationele overhead hebben vanwege de temporele kenmerken die tijdens het proces worden gebruikt. Aan de andere kant heeft de beslissingsmodule voor de reinforcement learning-policy een zeer geringe computationele overhead. De cumulatieve end-to-end inferentietijd van alle modules in het voorgestelde systeem valt binnen het bereik van typische industriële besturingscycli. Specifiek is waargenomen dat de gemiddelde end-to-end inferentielatentie tussen de 50–150 milliseconden per besturingscyclus ligt, wat compatibel is met standaard industriële besturingseisen. Dit toont aan dat het voorgestelde systeem kan worden gebruikt voor real-time en near real-time toepassingen. Houd er echter rekening mee dat de end-to-end inferentietijd kan variëren afhankelijk van de gebruikte hardware. In dit opzicht kan het voorgestelde systeem worden ingezet voor real-time toepassingen.

Er wordt een kwantitatieve vergelijking uitgevoerd tussen de FNO, het Neural operator-model en baseline-benaderingen, zoals traditionele numerieke solvers en huidige operator-learningtechnieken, om de effectiviteit van physics-informed neural operators verder vast te stellen. De beoordeling uit Tabel 9 richt zich op de mate waarin elk model de dynamiek en niet-lineaire dynamiek van het systeem vastlegt. Standaardmetrieken, waaronder de gemiddelde kwadratische fout (MSE), de gemiddelde absolute fout (MAE) en de relatieve fout tussen de verwachte en de werkelijke systeemtoestanden (ground-truth), worden gebruikt om de prestaties te evalueren. Volgens de experimentele resultaten presteren zowel de FNO als het Neural operator-model beter dan de baseline-benaderingen bij het modelleren van complexe multifasendynamiek door lagere foutwaarden te behalen. Specifiek legt het Neural operator-model succesvol niet-lineaire operator-mappings vast onder verschillende inputcondities, terwijl de FNO goed presteert bij het aanleren van globale ruimtelijke afhankelijkheden.

De effectiviteit van de voorgestelde neurale operator-modellen wordt aangetoond door de kwantitatieve vergelijkingsresultaten in Tabel 9. In vergelijking met baseline numerieke solvers en huidige operator-learningtechnieken behalen zowel FNO als het neurale operator-model merkbaar lagere foutmetrieken. In het bijzonder heeft FNO de laagste relatieve fout en gemiddelde kwadratische fout, wat de superieure capaciteit aantoont om de dynamiek van complexe niet-lineaire systemen vast te leggen. Daarnaast vertoont het neurale operator-model aanzienlijke winst, vooral bij het aanleren van niet-lineaire operator-mappings onder verschillende omstandigheden. Onafhankelijke t-toetsen worden gebruikt om de statistische significantie te beoordelen; p-waarden kleiner dan 0,05 duiden op een substantiële verbetering ten opzichte van de baseline numerieke solver. De p-waarden verkregen door beide voorgestelde modellen zijn kleiner dan 0,001, wat aangeeft dat de waargenomen prestatieverbeteringen statistisch significant zijn en niet het resultaat van toeval. Bovendien vertonen de voorgestelde technieken significant kortere inferentietijden, wat hun toepasbaarheid voor real-time digital twin-applicaties aantoont.

Om de helderheid van de experimentele evaluatie van het voorgestelde control-aware digital twin-model verder te verbeteren, wordt een uitgebreide kwantitatieve vergelijking van de voorgestelde aanpak met andere methoden gepresenteerd in een geïntegreerd tabelformaat. Deze vergelijking van diverse prestatieparameters, zoals Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), F1-score, Area Under the Curve (AUC), reductie van predictiedrift en cumulatieve beloning, maakt in Tabel 10 een geïntegreerde evaluatie mogelijk van de monitoringsnauwkeurigheid, het vermogen tot anomaliedetectie, de synchronisatie-efficiëntie en de controleprestaties van de methoden. Daarnaast worden in Tabel 11 diverse parameters van de trainingsprocedure, zoals batchgrootte, leerpercentage, aantal epochs en de module-specifieke trainingsconfiguratie, expliciet vermeld om de transparantie van de experimentele evaluatie te vergroten. Verder worden in Tabel 12 ook de schaalbaarheid en computationele efficiëntie van de voorgestelde aanpak geëvalueerd in termen van inferentielatentie, GPU-benutting en real-time haalbaarheid.

De voorgestelde digitale tweeling kan uitgebreid worden vergeleken met andere methoden, zoals de synchronisatiemethode op basis van fysica, LSTM- en GNN-modellen, op het gebied van bewakingsnauwkeurigheid, synchronisatievermogen, anomaliedetectie en besturingsprestaties, zoals afgebeeld in Tabel 13. Fysische digitale tweelingen zijn minder adaptief en hebben een hogere foutmarge vanwege hun statische benaderingen. Neurale benaderingen, zoals LSTM en GNN, zijn beter, maar combineren fysica, synchronisatie en besturing niet effectief. De voorgestelde digitale tweeling heeft de beste waarden behaald met 0,20 voor de RMSE, 72,2% in driftreductie, 0,94 in AUROC, 0,92 in de F1-score en 95,5 in de cumulatieve beloning. De bovenstaande resultaten tonen duidelijk aan dat het effectief combineren van physics-informed neural operators, grafmodellering voor ruimte en tijd, neurale data-assimilatie en reinforcement learning een nauwkeurig, robuust en besturingsbewust digitaal tweelingsysteem aanzienlijk kan verbeteren.

Figuur 7: Trainingskosten en resourcebenutting van verschillende componenten van het voorgestelde systeem, inclusief FNO, het neurale operator-model, GNN, de RL-module en het totale framework. De metrieken omvatten de trainingstijd (uren) en het GPU-geheugengebruik (GB). De waarden vertegenwoordigen de gemiddelde resultaten over meerdere onafhankelijke runs (n = 5). Foutenbalken geven de SD aan, terwijl dunnere overlappende foutenbalken de SEM = SD/√n vertegenwoordigen, wat de variabiliteit tussen de runs weerspiegelt. Klik hier om een grotere versie van deze figuur te bekijken.

In Figuur 7 worden de trainingskosten en het resourcegebruik van de voorgestelde aanpak per hoofdbestanddeel weergegeven. Er kan worden waargenomen dat de neurale operator-modellen, zoals FNO en het neurale operator-model, aanzienlijke trainingskosten en GPU-geheugengebruik vertonen in vergelijking met het totale systeem. De aanzienlijke trainingskosten zijn te wijten aan het hoogdimensionale leervermogen van de operators. Vastgesteld is dat de graph neural network- en reinforcement learning-modules een lagere trainingskost hebben, maar dat deze essentieel zijn voor het leren van ruimtelijke afhankelijkheden en adaptieve controle. Hoewel het voorgestelde systeem hogere trainingskosten heeft, blijkt de inferentietijd efficiënt te zijn. In vergelijking met baseline-methoden, zoals standalone LSTM- of GNN-modellen, brengt het voorgestelde systeem hogere trainingskosten met zich mee door de integratie van meerdere modules, maar het bereikt een verbeterde nauwkeurigheid en robuustheid, zoals aangetoond in Tabel 13.

Over het algemeen combineert de voorgestelde structuur van de digitale tweeling verschillende elementen, waarbij elk element een specifiek probleem aanpakt bij de modellering en besturing van complexe industriële systemen. In tegenstelling tot traditionele numerieke solvers, die vaak rekenintensief zijn en minder geschikt voor real-time toepassingen, worden physics-informed neural operators, zoals de Fourier Neural Operator en Deep Operator Network, gebruikt om niet-lineaire en hoogdimensionale systeemdynamica effectiever vast te leggen. Eenvoudigere machine learning-modellen, zoals feedforward- of recurrente neurale netwerken, kunnen worden ingezet, maar deze leren doorgaans geen fundamentele fysische operatoren en kunnen niet generaliseren over verschillende systeemconfiguraties. Afhankelijkheden tussen gedistribueerde sensoren, die intrinsiek verbonden zijn in olie- en gasproductiesystemen, worden gemodelleerd met behulp van het spatio-temporal graph neural network. Conventionele methoden, zoals onafhankelijke tijdreeksmodellen of eenvoudige recurrente architecturen, kunnen leiden tot een lagere nauwkeurigheid bij toestandschatting en anomaliedetectie, omdat ze ruimtelijke koppelingen niet expliciet weerspiegelen. Adaptieve besturing, die gebruikmaakt van de reinforcement learning-module, stelt het systeem in staat om operationele keuzes in dynamische en onzekere omgevingen te optimaliseren. Regelgebaseerde of statische besturingsstrategieën zijn daarentegen rigide en niet in staat zich aan te passen aan veranderende systeemcondities of onvoorziene verstoringen. Hoewel er alternatieven met minder complexiteit bestaan, richten deze zich doorgaans slechts op bepaalde aspecten van het probleem en zijn ze onvoldoende om een geïntegreerde oplossing te bereiken die nauwkeurige modellering, real-time monitoring en adaptieve besturing combineert. Door te waarborgen dat elk onderdeel bijdraagt aan de algehele systeemprestaties, verbetert het voorgestelde modulaire ontwerp de nauwkeurigheid, schaalbaarheid en robuustheid in uitdagende industriële omgevingen.

Studie / Werk	Gebruikte technieken	Resultaten	Beperkingen
Deep Neural Operator voor Digital Twin26	DeepONet-neurale operator als surrogaatmodel	Realtime voorspelling; orders van grootte sneller dan natuurkundige simulatoren	Vereist zorgvuldige plaatsing van de sensoren; evaluatiemethoden behoeven verbetering
Door DeepONet mogelijk gemaakte digitale tweeling met virtuele sensoring27	DeepONet-virtuele sensoren in DT	Snelle voorspellingen; real-time inferentie; uitgebreide toestandschatting	Spectrale bias beïnvloedt hoogfrequente fenomenen; hybride modellering is noodzakelijk
Digital Twin met DRL + NMPC in de besturing28	Deep Reinforcement Learning & Integratie van niet-lineaire MPC	Verbeterde regelprestaties; lagere trackingfout en adaptieve twin-updates	Toepassing beperkt tot vaten; verdere toepassing op productiesystemen noodzakelijk
AI-gestuurde digitale tweeling in industriële automatisering29	Begeleid/onbegeleid ML (LSTM, CNN, RF, etc.)	Hoge nauwkeurigheid bij foutvoorspelling & monitoring	Primair klassieke ML; ontbeert geavanceerde spatio-temporele deep-learningmodellen
Olie & Review van de digitale tweeling voor gas16	Diverse AI/ML & mechanistische modellering	Uitgebreide taxonomie van modelleringsstrategieën	Grotendeels conceptueel; minimale praktische implementaties met geavanceerd DL

Tabel 1: Vergelijkende analyse van olie- en gasproductie en beheersingsmanagement in relatie tot bestaande methoden. Een overzicht van relevante digitale tweelingen en beheersingsstrategieën, met de nadruk op de gehanteerde methoden, de behaalde resultaten en belangrijke nadelen.

Naam van de dataset	Domein / Systeem	Aantal kenmerken	Duur & Grootte	Gegevenskenmerken
Gesimuleerde olie & Gegevens over gasproductie	Olie & Gasproductiesysteem (simulatie)	Multivariaat (druk, debiet, temperatuur, etc.)	Ontworpen voor dit onderzoek	Gesimuleerde real-time sensor & controlesignalen, normaal & fouttoestanden
SWaT	Beveiligd CPS voor waterzuivering	~51 sensoren + actuatoren	~11 dagen (~450k+ monsters)	Normaal & anomalie (36 aanvalscenario's)
WADI	Waterdistributie-CPS	~123 sensoren + actuatoren	~16 dagen (~1M+ monsters)	Normaal & anomalie (15 aanvallen)

Tabel 2: Beschrijving van de dataset.
Beschrijving van de dataset. Samenvatting van de datasets van de studie, inclusief domein, aantal kenmerken, duur en data-attributen.

Component	Hyperparameter	Waarde
ST-GNN	Aantal lagen	3
ST-GNN	Verborgen dimensie	64
ST-GNN	Lengte van het tijdsvenster	12
Neuraal Operator (FNO)	Aantal Fourier-modi	16
Neurale Operator (FNO)	Aantal lagen	4
DeepONet	Grootte van het vertakkingsnetwerk	[128, 128]
DeepONet	Omvang van het stamnetwerk	[128, 128]
Data-assimilatie	Assimilatievenster	10 tijdstappen
Optimalisator	Adam
Leersnelheid	0.001
Batchgrootte	64
RL-controller	Verdisconteringsfactor (γ)	0.99
RL-controller	Lagen van het beleidsnetwerk	[128, 64]

Tabel 3: Modelarchitectuur en hyperparameters. Belangrijke architecturale configuraties en hyperparameterinstellingen voor de neurale operatoren, data-assimilatie, reinforcement learning en de componenten van het spatiotemporele graph neural network.

Parameter	Beschrijving
Simulatieplatform	Python (v3.10) met PyTorch (v2.1)
Ondersteunende bibliotheken	NumPy (v1.24), SciPy (v1.10), Pandas (v1.5)
Hardware	NVIDIA RTX-serie GPU (bijv. RTX 3090, 24 GB VRAM), Intel Core i7/i9 CPU, 32–128 GB RAM
GPU-acceleratie	CUDA Toolkit (v11.8), cuDNN (v8.x)
Besturingssysteem	Linux (Ubuntu 20.04) / Windows 10
Ontwikkelomgeving	Jupyter Notebook / VS Code
Bemonsteringsinterval	1–10 seconden (configureerbaar voor real-time simulatie)
Modellering van sensorruis	Gaussiaanse ruis (σ = 0,01–0,05)
Foutscenario's	Sensorstoringen, stromingsverstoringen en controleafwijkingen
Evaluatiemodus	Real-time simulatie op basis van sliding windows
Beschikbaarheid van code	De link naar de repository wordt op verzoek / bij publicatie verstrekt ten behoeve van de reproduceerbaarheid

Tabel 4: Simulatieomgeving. Informatie over de hardwareconfiguratie, het softwareplatform, het bemonsteringsinterval, de ruismodellering en de foutscenario's in de experimentele opstelling.

Dataset	Initiële toestandsfout	Finale toestandsfout	Driftreductie (%)
Gesimuleerde olie & gas	0.9	0.25	72.2
SWAT	1.1	0.4	63.6
WADI	1.3	0.55	57.7

Tabel 5: Experimenteel resultaat van Digital Twin Synchronisatie. Kwantitatieve beoordeling van de synchronisatieprestaties die de reductie van voorspellingsdrift over datasets en de fouten in de initiële en uiteindelijke toestandschatting weergeeft.

Dataset	Precisie	Recall	F1-score
Gesimuleerde olie & Gas	0.95	0.93	0.94 ± 0.01
SWAT	0.9	0.88	0.92 ± 0.02
WADI	0.87	0.85	0.90 ± 0.02

Tabel 6: Prestaties van anomaliedetectie. Resultaten voor anomaliedetectie op gesimuleerde olie- en gas-, SWAT- en WADI-datasets, inclusief precisie, recall en F1-score.

Dataset	Cumulatieve Beloning ↑	Schendingen van Beperkingen ↓	Kostenreductie (%) ↑
Gesimuleerde Olie & Gas	96.5 ± 0.8	0	18.7
SWAT	92.1 ± 1.2	1	14.3
WADI	89.7 ± 1.5	2	11.6

Tabel 7: Experimentele resultaten van closed-loop regeling en optimalisatie. Cumulatieve beloning, schendingen van beperkingen en vermindering van operationele kosten worden gebruikt om de prestaties van de closed-loop regeling te evalueren.

Module	Gemiddelde latentie (ms)	Beschrijving
Neurale Operator (FNO/DeepONet)	18-25 ms	Operator-learning en systeentoestandsvoorspelling
ST-GNN	22–35 ms	Spatio-temporele afhankelijkheidsmodellering
RL-beleidsnetwerk	5–10 ms	Generatie van controledisbeslissingen
Preprocessing van gegevens	8–12 ms	Normalisatie van de input en voorbereiding van kenmerken
Totale latentie van de regelkring	55–82 ms	End-to-end uitvoeringstijd van de regelactie

Tabel 8: Evaluatie van de prestaties van de real-time regeling. Latentiewaarden vertegenwoordigen de gemiddelde inferentietijden gemeten per regelstap onder een standaard hardwareconfiguratie.

Model	MSE ↓	MAE ↓	Relatieve fout (%) ↓	Inferentietijd (ms) ↓	p-waarde (t.o.v. basislijn)
Numerieke oplosser (basislijn)	0.0125 ± 0.0012	0.089 ± 0.006	8.75 ± 0.54	120.5 ± 5.2	—
Conventioneel ML-model	0.0098 ± 0.0009	0.072 ± 0.005	6.42 ± 0.48	85.3 ± 4.7	0.021
Bestaande Operator Learning	0.0076 ± 0.0007	0.061 ± 0.004	5.18 ± 0.41	42.8 ± 3.1	0.008
DeepONet (Voorgesteld)	0.0052 ± 0.0005	0.044 ± 0.003	3.67 ± 0.32	18.6 ± 2.4	< 0.001
FNO (voorgesteld)	0.0047 ± 0.0004	0.039 ± 0.002	3.21 ± 0.28	15.2 ± 2.1	< 0.001

Tabel 9: Vergelijking van de basislijn- en voorgestelde modellen in termen van voorspellingsnauwkeurigheid (MSE, MAE, relatieve fout) en computationele efficiëntie (inferentietijd). Waarden worden gerapporteerd als gemiddelde ± standaarddeviatie over meerdere runs. Lagere waarden duiden op betere prestaties. p-waarden geven de statistische significantie aan ten opzichte van de numerieke solver als basislijn.

Methode	MAE ↓	RMSE ↓	F1-score ↑	AUC ↑	Driftreductie (%) ↑	Cumulatieve beloning ↑
Physics-based DT	0.45	0.62	0.78	0.82	35.4	65.2
LSTM	0.32	0.48	0.85	0.88	48.7	74.5
GNN	0.28	0.41	0.88	0.91	55.3	81.3
Voorgesteld raamwerk	0.2	0.3	0.94	0.97	72.2	95.5

Tabel 10: Uitgebreide prestatievergelijking. Uitgebreide prestatievergelijking van het voorgestelde controle-bewuste digital twin-model met andere basisbenaderingen voor monitoring, anomaliedetectie, synchronisatie en controle. Voor de voorspellingsnauwkeurigheid hebben lagere waarden van MAE en RMSE de voorkeur. Voor de prestaties van anomaliedetectie en synchronisatie hebben hogere waarden van de F1-score, AUC, driftreductie en beloning de voorkeur.

Component	Parameter	Waarde/Instelling
Neurale Operatoren (FNO/DeepONet)	Epochs	100–200
	Batchgrootte	32–64
	Leersnelheid	0.001
ST-GNN	Lagen	3
	Verborgen eenheden	64
	Tijdsvenster	10–20 tijdstappen
Neuraal 4D-Var	Assimilatievenster	Vast (schuivend venster)
	Optimalisatie	Gradiëntafdaling
Versterkend leren	Kortingsfactor (γ)	0.95
	Beloningsgewichten (α,β,γ)	0.6, 0.25, 0.15
Algemene training	Optimizer	Adam
	Hardware	NVIDIA RTX GPU

Tabel 11: Trainingsconfiguratie en implementatieparameters gebruikt voor verschillende componenten van het voorgestelde digital twin-framework. De tabel geeft een overzicht van verschillende hyperparameters en trainingsparameters die zijn gebruikt om de reproduceerbaarheid van het voorgestelde systeem voor verschillende componenten te waarborgen.

Component	Trainingstijd (uur)	Inferentielatentie (ms)	GPU-benutting (%)	Schaalbaarheid
Neurale Operatoren	6–8	25–40	80–90	Hoog
ST-GNN	3–4	15–25	60–70	Hoog
Neuraal 4D-Var	2–3	20–30	65–75	Matig
RL-controller	1–2	10–20	50–60	Hoog
Algeheel systeem	12–16	<100 ms	70–85	Schaalbaar

Tabel 12: Computationele prestatie- en schaalbaarheidsanalyse van het voorgestelde digital twin-model voor verschillende componenten. Latentie wordt gebruikt om de real-time inferentieprestaties weer te geven, GPU wordt gebruikt om de computationele prestaties weer te geven, en schaalbaarheid representeert het vermogen van het voorgestelde model om te worden ingezet voor toepassingen op industriële schaal.

Methode	Monitoring van de RMSE	Reductie van synchronisatiedrift (%)	AUROC	F1-score	Cumulatieve beloning
Fysica-gebaseerde digitale tweeling	0.45	28.6	0.78	0.74	42.3
Op LSTM gebaseerd model	0.31	41.2	0.86	0.83	61.7
Op GNN gebaseerd model	0.26	53.4	0.91	0.88	74.5
Voorgestelde digitale tweeling	0.2	72.2	0.94	0.92	95.5

Tabel 13: Vergelijkende evaluatie van het voorgestelde werk ten opzichte van bestaande methoden. De prestaties van het voorgestelde digital twin-model op het gebied van monitoring, synchronisatie, anomaliedetectie en controlestatistieken worden vergeleken met baseline-benaderingen en benaderingen op basis van machine learning.

Modelconfiguratie	Monitoringsfout (RMSE)	Anomaliedetectie (F1)	Prestatie van de controle (beloning)
Volledig model (alle modules)	0.2	0.92	95.5
– Zonder data-assimilatie	0.29	0.88	89.2
– Zonder ST-GNN	0.27	0.85	87.1
– Zonder reinforcement learning	0.21	0.9	78.4
– Zonder continu leren	0.23	0.91	92.3

Tabel 14: Experimentele resultaten en ablatiestudie. Ablatiestudie waarin wordt onderzocht hoe elk onderdeel van het voorgestelde digitale tweelingmodel bijdraagt aan de algehele prestaties van het systeem.

Scenario	Beschikbaarheid van gegevens	RMSE	Nauwkeurigheid	Afhandeling van observatiehiaten
Normaal	100%	Laag	Hoog	Stabiel
Gedeeltelijk verlies	50–70%	Matig	Hoog	Robuuste interpolatie
Ernstig verlies	20–30%	Verhoogd	Matig	Geleidelijke degradatie
Sensoruitval	Regionaal 0%	Hoger	Matig	Ruimtelijke generalisatie

Tabel 15: Robuustheidsanalyse bij dataschaarste. De volgende tabel geeft de prestaties van het voorgestelde neurale 4D-Var-raamwerk weer in verschillende situaties van databeschikbaarheid. De tabel toont de robuustheid van het model door aan te geven hoe fouten veranderen in situaties van gedeeltelijk verlies, hoge spaarsheid en volledig verlies van sensorgegevens.

Discussie

De resultaten van dit onderzoek tonen de effectiviteit aan van de ontwikkelde controle-bewuste digitale tweeling wat betreft het vermogen om realtime monitoring, detectie en controle-optimalisatie te verbeteren voor een breed scala aan CPS. Vergeleken met traditionele monitoringmodellen is de combinatie van de PINO en de graafneurale netwerken effectiever wat betreft de nauwkeurigheid van de toestandschatting, zelfs voor een ruisgevoelig systeem. Deze bevinding is correct omdat een geavanceerd machine learning-model in de digitale tweeling effectiever is wat betreft voorspelling en detectie in het systeem³⁹.

In vergelijking met huidige oplossingen voor anomaliedetectie, zoals digital twin-anomaliedetectoren die gebruikmaken van curriculum learning of causale representatiemodellen, is op te merken dat de voorgestelde methode een concurrerende prestatie kan behalen bij vergelijking van de in de literatuur behaalde resultaten. Zo maakten digital twin-gebaseerde anomaliedetectoren die curriculum learning toepasten een bescheiden verbetering van de F1-score mogelijk voor CPS-testbeds, wat aangeeft dat leerparadigma's de efficiëntie van detectieprocessen kunnen beïnvloeden⁴⁰. Tegelijkertijd leggen de huidige populaire digital twin-modellen een sterke nadruk op efficiënte redenering en het onderdrukken van fout-positieven via causale inferentie, maar dit gaat ten koste van een grotere modelcomplexiteit in het causale model. In dit opzicht biedt onze voorgestelde gesynchroniseerde reinforcement learning-benadering zowel een efficiënte operationele optimalisatie als een betrouwbare anomaliedetectie binnen een enkel framework. Er moet echter worden opgemerkt dat de vergelijking van de voorgestelde methode met andere benaderingen niet is gebaseerd op de resultaten van directe vergelijkende experimenten, maar enkel op de door andere onderzoekers gerapporteerde resultaten; daarom dient de vergelijking met deze overweging te worden gemaakt.

Bovendien illustreert de toevoeging van anomaliedetectie en de optimalisatie van regelacties binnen de voorgestelde digitale tweeling het groeiende belang van beslissingsondersteuning en actuatievermogens geboden door digitale tweelingen, een huidige richting van onderzoeks- en ontwikkelingsactiviteiten in verband met CPS. Onderzoeksartikelen⁴¹ met betrekking tot de kalibratie van digitale tweelingenen met behulp van reinforcement learning, zoals adaptieve benaderingen voor het sturen van sensoren, laten zien dat het gebruik van leeragenten extra voordelen kan bieden, met name wat betreft nauwkeurigheid en aanpassingsvermogen, vooral voor dynamische systemen. Dit bevestigt de bevindingen over de verbetering van de effectiviteit van closed-loop optimalisatie, waardoor de hypothese wordt versterkt dat intelligente integratie de robuustheid en efficiëntie van CPS kan verhogen. De benadering is, zoals eerder vermeld, ontworpen voor de olie- en gasindustrie, maar de evaluatie van de benadering is gebaseerd op simulaties van de olie- en gasindustrie, evenals op benchmarkdatasets van CPS, namelijk SWaT en WADI. Er moet echter worden opgemerkt dat de huidige validatie geen operationele gegevens uit de echte olie- en gaswereld bevat, waardoor de toepasbaarheid op scenario's van implementatie in de praktijk voorzichtig moet worden geïnterpreteerd. In de toekomst zal een vergelijkende evaluatie van de voorgestelde curriculum learning-methode en de digitale tweelingmethode op basis van causale inferentie worden uitgevoerd binnen een uniform experimenteel kader om de twee benaderingen op een gecontroleerde manier te vergelijken. Hoewel de integratie van deze modules, waaronder neurale operatoren, graafnetwerken en reinforcement learning, de computationele kosten verhoogt, heeft elke module een specifieke functie. De ablatiestudie valideert daarnaast de prestaties van de voorgestelde benadering, aangezien de prestaties afnemen wanneer een van de modules wordt verwijderd.

Theoretisch gezien levert dit onderzoek aanzienlijke bijdragen aan de toevoeging van modelgebaseerde en datagestuurde methoden binnen de digital twin-structuur. De integratie van physics-informed neural operators en neurale data-assimilatietechnieken in het proces van toestandschatting biedt een hybride modelleringsbenadering voor CPS, waardoor een aanzienlijk gat wordt gedicht in de literatuur over digital twins, die voor CPS-simulaties tot nu toe ofwel vertrouwde op puur natuurkundige simulaties, ofwel op black-box-modellen, maar niet op beide. Theoretisch gezien sluit dit onderzoek aan bij de vooruitgang van digital twin-onderzoek voor autonome CPS-modellen die continu kunnen leren en zich kunnen aanpassen, zoals in recente literatuur is benadrukt.

Wat betreft de toepasbaarheid kan de voorgestelde aanpak de werking van CPS in een industriële setting aanzienlijk verbeteren, aangezien deze real-time betrouwbaarheid, snelle en nauwkeurige anomalie-identificatie en optimale regelstrategieën mogelijk maakt, resulterend in een directe verhoging van de veiligheid en efficiëntie bij de bedrijfsvoering van CPS. Bijvoorbeeld, in een industriële setting waar de omgeving waarschijnlijk gepaard gaat met ruis in sensoren en een niet-lineair systeemmodel, waarborgt de gesynchroniseerde detectieaanpak een snelle identificatie van abnormaliteiten terwijl het voorkomen van valse alarmen wordt onderdrukt. In tegenstelling tot bestaande oplossingen voor intrusiedetectie in CPS-systemen op basis van digital twins, die hoofdzakelijk gericht zijn op classificatiemetrics, maakt de voorgestelde aanpak zowel identificatie- als correctiebenaderingen mogelijk, wat bijdraagt aan het vermogen van systeemoperators om de operationele omgeving van de CPS proactief aan te passen voordat er downtime optreedt. Daarnaast wijst de capaciteit van de voorgestelde aanpak om universeel toegepast te worden in verschillende settings, zoals vastgesteld door de prestaties op de benchmarkdataset, op de algemene toepasbaarheid van de methode in diverse CPS-omgevingen, zoals slimme productie, het energiedomein en beheersystemen voor kritieke infrastructuurnetwerken.

De schaalbaarheid van het voorgestelde framework voor de digitale tweeling wordt beoordeeld op basis van het vermogen om groeiende systeemomvang en temporele complexiteit te beheren. Door sensorinteracties weer te geven met behulp van ijle grafstructuren, schaalt het spatio-temporele graf neurale netwerk efficiënt naarmate het aantal sensoren en gemonitorde componenten toeneemt, waardoor een exponentiële groei in rekencomplexiteit wordt voorkomen. Door operator-mappings te leren onafhankelijk van de discretiseringsresolutie, verbetert de toepassing van physics-informed neurale operators de schaalbaarheid verder en maakt het effectieve modellering van grootschalige systemen mogelijk zonder merkbare toename van de computationele kosten. Het framework maakt gebruik van sliding window-methoden en sequentiegebaseerd leren om temporele afhankelijkheden over grotere tijdshorizons te beheren zonder de computationele levensvatbaarheid in gevaar te brengen. Daarnaast verminderen incrementele leerstechnieken de overhead bij grootschalige implementaties door continue updates mogelijk te maken zonder dat volledige hertraining nodig is. Bovendien wordt effectieve real-time verwerking van hoogdimensionale datastromen mogelijk gemaakt door het gebruik van parallelle GPU-gebaseerde berekeningen. De voorgestelde architectuur is geschikt voor grootschalige industriële toepassingen, zoals olie- en gasproductiesystemen met gedistribueerde sensorennetwerken en continue monitoringvereisten, aangezien deze is ontworpen om op te schalen met zowel het aantal sensoren als de operationele tijd.

De ablatiestudie helpt bij het begrijpen van de individuele bijdrage van elke module, namelijk de neurale operatoren, ST-GNN, data-assimilatie en reinforcement learning. Er is een ablatiestudie uitgevoerd om de bijdrageniveaus van diverse belangrijke individuele modules in deze voorgestelde digitale tweeling-architectuur te meten. Deze individuele modules omvatten data-assimilatie, graafmodellering met ruimte en tijd, reinforcement learning en continu leren. De effecten van het verwijderen van deze individuele modules zijn onderzocht in termen van de effectniveaus die zij creëren voor de bewakingsnauwkeurigheid, anomaliedetectie en controle. De uiteindelijke resultaten valideren duidelijk dat het altijd beter is om gebruik te maken van de volledige architectuur; het verwijderen van individuele modules resulteert dan ook in variërende niveaus van prestatievermindering, wat aangeeft dat verschillende componenten op verschillende wijze bijdragen aan de algehele systeemprestatie. Het effectniveau van het verwijderen van de data-assimilatiemodule laat duidelijk een toename in voorspellingsfouten zien en beïnvloedt de betrouwbaarheid op een gelijkwaardig niveau wat betreft anomaliedetectie. Het effectniveau van het verwijderen van reinforcement learning laat duidelijk zien dat de controle significant is beïnvloed, vooral wanneer er enkel rekening wordt gehouden met bewaking.

De ablatieresultaten in Tabel 14 laten zien dat verschillende modules een verschillende bijdrage leveren aan de prestaties van het systeem. De module voor data-assimilatie heeft de grootste bijdrage aan de nauwkeurigheid van de monitoringprestaties, gevolgd door de ST-GNN-module. De module voor continu leren levert een matige bijdrage aan de nauwkeurigheid van de monitoringprestaties, en de module voor reinforcement learning heeft de kleinste bijdrage aan de nauwkeurigheid van de monitoringprestaties, hoewel deze de grootste bijdrage levert aan de controleprestaties in termen van de daling in de beloningswaarde van 95.5 naar 78.4.

Om de robuustheid van het voorgestelde neurale 4D-Var-raamwerk te valideren, werden experimenten uitgevoerd onder steeds verslechterde observatieomstandigheden. Specifiek omvatten de experimenten de volgende scenario's: (i) gedeeltelijke sensoruitval, waarbij het percentage ontbrekende gegevens varieerde van 30% tot 70%; (ii) volledige sensoruitval in specifieke regio's; en (iii) communicatievertraging die resulteerde in temporeel scharse observaties. De experimentele resultaten tonen aan dat het voorgestelde model een robuuste prestatie vertoont bij matig dataverlies en geleidelijk degradeert bij extreem dataverlies, wat wijst op een hoge mate van aanpassingsvermogen. In Tabel 15 worden de resultaten van de robuustheidsanalyse weergegeven.

Een beperking van deze studie is verbonden aan de reikwijdte van de validatie van het voorgestelde model. Er dient te worden opgemerkt dat hoewel het model bedoeld is voor olie- en gasproductiesystemen, de evaluatie van het voorgestelde model gebaseerd was op gesimuleerde olie- en gaswaarden en cyber-fysieke benchmarkproblemen zoals SWaT en WADI. Het is daarnaast belangrijk op te merken dat hoewel de benchmarkproblemen worden geassocieerd met olie- en gasprocessen, de problemen in dit geval betrekking hebben op waterbehandeling en -distributie.

Ondanks deze optimale prestaties zijn er echter enkele beperkingen. Zo is de computationele complexiteit hoger in vergelijking met sommige implementaties van digitale tweelingen, vooral bij de integratie van neurale operatoren, graafnetwerken en reinforcement learning. Dit zou een grote belemmering kunnen vormen voor de adoptie op platforms met beperkte rekencapaciteit. Bovendien is er uitsluitend gefocust op simulaties en benchmarksets, die niet de mate van diversiteit kunnen bevatten die in een operationeel CPS zou worden aangetroffen. Dit is te zien in simulatiesets zoals SWAT en WADI, die over het algemeen worden gebruikt bij CPS-beoordelingen. Deze kunnen de diversiteit missen die in echte CPS-omgevingen wordt ervaren. Er wordt daarnaast uitgegaan van een adequate aanvoer van sensorgegevens, wat bij oudere CPS niet altijd haalbaar is. De belangrijkste beperking van het systeem is het gebrek aan real-world data uit de olie- en gasindustrie om het systeem te evalueren, aangezien de evaluatie is gebaseerd op simulaties van de olie- en gasindustrie en op benchmarkdatasets van CPS, namelijk SWaT en WADI, die de real-world complexiteiten van de olie- en gasindustrie mogelijk niet nauwkeurig weerspiegelen. Het voorgestelde systeem heeft veelbelovende prestaties getoond in voorspellende vermogens. Het voorgestelde systeem vereist echter hogere computationele kosten tijdens het trainingsproces. In de toekomst kunnen lichtgewicht alternatieven voor het voorgestelde systeem worden overwogen, waaronder reduced-order neurale operatoren, model pruning en hybride physics-ML-modellen.

Schaalbaarheid en implementatie in een praktijomgeving, en de integratie in bestaande legacy-CPS-infrastructuren waarbij de sensordichtheid en de kwaliteit van de waargenomen informatie sterk kunnen variëren, moeten in toekomstig onderzoek naar modelcompressietechnieken worden bestudeerd. Bovendien zou de uitbreiding van dit systeem om uitlegbaarheid en feedbackloops voor operators gunstig kunnen zijn voor het verbeteren van de transparantie en het opbouwen van vertrouwen in autonome besluitvorming. Daarnaast zou de integratie van causale inferentiemethoden binnen de huidige processen voor anomaliedetectie, vergelijkbaar met die in causale digitale tweelingen, kunnen bijdragen aan een verbeterde root-cause-analyse en het minimaliseren van valse alarmen. Ten slotte zal dit raamwerk, om robuustheid te creëren, gevalideerd moeten worden met werkelijke veldgegevens.

Dit onderzoek heeft het concept van een intelligent, controlebewust digital twin-model gedemonstreerd dat erop gericht is om real-time systeemmonitoring, anomaliedetectie en besluitvormingsmogelijkheden in complexe cyber-fysische systemen te verbeteren. In tegenstelling tot traditionele digital twins, die voornamelijk passieve waarnemers zijn en worden gebruikt voor real-time monitoring, beoogt dit onderzoek de integratie van physics-informed neural operators, spatio-temporele graph neural networks, neurale data-assimilatie, reinforcement learning-gebaseerde controle en leeralgoritmen binnen één enkel model van een digital twin-systeem. Het systeem wordt eerst in real-time gemonitord door een digital twin-systeem op basis van een physics-informed leermodel van een niet-lineair stelsel vergelijkingen. Ten tweede wordt een neuraal 4DVar-systeem toegepast voor een data-assimilatieprocedure die zowel de fysische als de virtuele systemen synchroniseert om de drift van systeempredicties als gevolg van ruis en systeemveranderingen te minimaliseren. Anomaliedetectie wordt uitgevoerd op een spatio-temporeel model van ofwel de ruimtelijke relaties of de systeemevolutie over tijd van een systeem. Ten slotte creëert een reinforcement learning-agent systeemcontroleacties vanuit een gesynchroniseerde systeemtoestand die geldig is vanuit het perspectief van een systeemveiligheidsbeperking, terwijl een controlebeperking wordt meegewogen. Uitgebreide experimenten uitgevoerd op een gesimuleerd olie- en gasproces en de benchmark CPS-scenario's SWAT en WADI demonstreerden de potentiële effectiviteit van de voorgestelde aanpak onder gesimuleerde en benchmarkcondities. Het voorgestelde model resulteerde in verminderde monitoringsfouten (MAE en RMSE), uitstekende resultaten bij anomaliedetectie en een consistent gedrag voor closed-loop controle. Deze bevindingen hebben bevestigd dat de synchronisatie van anomaliedetectie en controle binnen de digital twin een belangrijke factor is in relatie tot het behoud van de betrouwbaarheid en efficiëntie van de operaties. Een ander gebied voor potentiële ontwikkeling van digital twin-technologie is de uitbreiding hiervan met kunstmatige intelligentie en causaliteit. De evaluatie van het framework zal worden uitgevoerd door het framework te valideren met real-world data uit de olie- en gasindustrie.

Het is belangrijk om te benadrukken dat de conclusies in deze studie zijn gebaseerd op gesimuleerde en benchmark-datasets, en dat de toepasbaarheid op echte olie- en gassystemen daarom met voorzichtigheid moet worden geïnterpreteerd.

DATAbeschikbaarheid:

De SWaT- en WADI-datasets die in deze studie zijn gebruikt, zijn openbaar beschikbare datasets van industriële controlesystemen en kunnen worden geraadpleegd via de datasetrepository van het iTrust Lab: https://itrust.sutd.edu.sg/itrust-labs_datasets/dataset_info/.

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
CPU (Intel Xeon / AMD Ryzen)	Intel / AMD	Xeon / Ryzen-serie	Gebruikt voor systeemsimulatie, data-preprocessering en algemene berekeningen
Deep Learning Framework (PyTorch 2.0)	Meta AI (PyTorch)	https://pytorch.org RRID:SCR_018536	Gebruikt voor het implementeren van neurale netwerken, optimalisatie en trainingspipelines
Deep Neural Network Library (cuDNN 8.x)	NVIDIA cuDNN	cuDNN 8.x	Biedt geoptimaliseerde primitieven voor deep learning-operaties op de GPU
DeepONet	Niet van toepassing	https://arxiv.org/abs/1910.03193	In het script wordt hier naar verwezen als "neural operator model"
GPU (NVIDIA RTX 4090)	NVIDIA	RTX 4090	Gebruikt voor het trainen van deep learning-modellen, inclusief neurale operatoren, ST-GNN en componenten voor reinforcement learning
GPU-acceleratie (CUDA 11.8)	NVIDIA CUDA	CUDA 11.8 RRID:SCR_018131	Maakt GPU-gebaseerde parallelle berekeningen mogelijk voor high-performance modeltraining
Linux-distributie (versie 22.04 LTS)	Canonical (Ubuntu)	https://ubuntu.com/download; RRID:SCR_018127	Besturingssysteem gebruikt voor het uitvoeren van experimenten en modelimplementatie
Besturingssysteem (Ubuntu 22.04 LTS)	Canonical (Ubuntu)	https://ubuntu.com/download RRID:SCR_018127	Biedt de uitvoeringsomgeving voor alle experimenten en modelimplementatie
Optimalisatiealgoritme (Adam Optimizer)	Niet van toepassing	https://arxiv.org/abs/1412.6980	Gebruikt voor het trainen van modellen met adaptieve leer-snelheid optimalisatie
geoptimaliseerde deep neural network library (versie 8.x)	NVIDIA cuDNN	https://developer.nvidia.com/cudnn RRID:SCR_018131	Biedt geoptimaliseerde, GPU-versnelde primitieven voor deep neural network-operaties
Programmeertaal (Python 3.10)	Python Software Foundation	https://www.python.org/downloads RRID:SCR_008394	Kernprogrammeertaal gebruikt voor implementatie en experimentatie
Systeemgeheugen (≥ 64 GB RAM)	Corsair / Kingston / Crucial	https://www.corsair.com / https://www.kingston.com / https://www.crucial.com	Ondersteunt het verwerken van hoogdimensionale multivariate tijdreeksdata en grootschalige modeltraining